Zero-Shot Reasoning: Personalized Content Generation Without the Cold Start Problem

要約

プロシージャル コンテンツ生成では、アルゴリズム技術を使用して、はるかに低い制作コストでゲーム用の新しいコンテンツを大量に作成します。
新しいアプローチでは、機械学習を利用した手続き型コンテンツ生成が行われます。
ただし、これらの方法では通常、高価な大量のデータの収集と、かなり複雑な学習モデルの開発とトレーニングが必要となり、非常に時間と費用がかかる可能性があります。
私たちの研究の核心は、大規模な言語モデルを使用したより実用的で一般化可能なアプローチを通じて、パーソナライズされた手続き型コンテンツ生成の使用に対する障壁を下げることができるかどうかを調査することです。
ゲーム コンテンツをプレイヤーの好みと一致させることは、ゲームをより楽しむプレイヤーと、ゲームを収益化する前にプレイヤーがゲームを楽しむことにますます依存する開発者の両方に利益をもたらします。
したがって、この論文では、大規模な言語モデルを使用して、個々のプレイヤーから継続的に収集されたゲームプレイ データに基づいてレベルを提案することにより、パーソナライゼーションを実現する新しいアプローチを紹介します。
私たちのアプローチを使用して生成されたレベルと、より伝統的な手続き型生成手法で生成されたレベルを比較しました。
私たちの簡単に再現可能な方法は、本番環境で実行可能であることが証明されており、プレイヤーがレベルの途中でゲームを終了しない確率において、従来の方法で生成されたレベルよりも優れたパフォーマンスを発揮します。

要約(オリジナル)

Procedural content generation uses algorithmic techniques to create large amounts of new content for games at much lower production costs. In newer approaches, procedural content generation utilizes machine learning. However, these methods usually require expensive collection of large amounts of data, as well as the development and training of fairly complex learning models, which can be both extremely time-consuming and expensive. The core of our research is to explore whether we can lower the barrier to the use of personalized procedural content generation through a more practical and generalizable approach with large language models. Matching game content with player preferences benefits both players, who enjoy the game more, and developers, who increasingly depend on players enjoying the game before being able to monetize it. Therefore, this paper presents a novel approach to achieving personalization by using large language models to propose levels based on the gameplay data continuously collected from individual players. We compared the levels generated using our approach with levels generated with more traditional procedural generation techniques. Our easily reproducible method has proven viable in a production setting and outperformed levels generated by traditional methods in the probability that a player will not quit the game mid-level.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google